پیش‌بینی و پایش میزان تُن کیلومتر و بارنامه حمل‌شده جاده‌ای کشور به‌منظور تشخیص رفتار غیرعادی

جابه ‌جایی کالا جزء ضروری و لاینفک فرآیند برنامه‌ریزی توسعه ملّی است؛ هدف پژوهش حاضر، پیش‌بینی و پایش میزان تُن کیلومتر و بارنامه حمل ‌شده کشور به منظور تشخیص رفتار غیرعادی است. در این پژوهش برای گردآوری داده‌ ها از مشاهده ماهانه به‌دست‌آمده طی 6 سال (1395 تا 1400) که توسط «سازمان راهداری و حمل‌ونقل جاده‌ای ایران» به تفکیک هر استان جمع‌آوری ‌شده، استفاده شده است. در این پژوهش تُن کیلومتر با روش‌های مختلف تن-کیلومتر و بارنامه پیش‌بینی شده و نتیجه برای یافتن رفتار غیرعادی پس از افزایش نرخ بهره و مالیات کنترل می‌شود. برای پیاده‌سازی مدل، از 72 داده تُن کیلومتر حمل‌شده و 72 بارنامه صادرشده که از 32 استان طی شش سال حمل‌ونقل جاده‌ای جمع‌آوری‌شده است، استفاده شد. چهار روش مختلف پیش‌بینی، یعنی جنگل تصادفی، شبکه عصبی lstm، arima و ets به‌تفصیل بررسی شدند. نتایج تجربی نشان می‌دهد که جنگل تصادفی از سایر مدل‌ها بهتر عمل می‌کند. در این پژوهش از ابزار کنترل کیفیت آماری امتیاز z برای تشخیص داده‌های پرت و رفتار غیرعادی استفاده شد. نتایج تجربی حاکی از آن است که از 32 استان، 3 استان دارای رفتار غیرعادی هستند که یکی از آن ها به دلیلی غیر از افزایش نرخ بهره و مالیات حمل‌ونقل جاده‌ای است.

prediction and monitoring of ton-kilometers and waybill for detecting abnormal behavior

the objective of this research is to predict and monitor the ton-kilometers and waybill on the iran’s roads to find abnormal behavior. in this study, data was collected from monthly observations over a period of 6 years (1395 to 1400) by the iran road maintenance and transportation organization, categorized by province. different machine learning techniques, deep learning, and time series methods were employed to predict ton-kilometers, and the results were monitored for abnormal behavior following an increase in interest rates and taxes. for model implementation, a dataset of 72 records of ton-kilometers and 72 records of issued waybill, collected from 32 provinces over six years of road transportation, was utilized. initially, four different prediction methods, including random forest, lstm neural network, arima, and ets, were extensively examined. the empirical results indicate that the random forest outperforms the other models. this study employs the statistical quality control tool, the z-score, to detect outliers and abnormal behavior in the data. the empirical findings reveal that out of the 32 provinces, three provinces exhibit abnormal behavior, and one of them is attributed to factors other than an increase in interest rates and transportation taxes.